CN115757987A - 基于轨迹分析的伴随对象确定方法、装置、设备及介质 - Google Patents
基于轨迹分析的伴随对象确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115757987A CN115757987A CN202211340983.4A CN202211340983A CN115757987A CN 115757987 A CN115757987 A CN 115757987A CN 202211340983 A CN202211340983 A CN 202211340983A CN 115757987 A CN115757987 A CN 115757987A
- Authority
- CN
- China
- Prior art keywords
- time
- trajectory
- dimensional
- space
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于轨迹分析的伴随对象确定方法,包括:构建目标对象三维时空立体轨迹及相关对象三维时空立体轨迹集;基于连通子图挖掘算法,将三维时空立体轨迹集分为N个三维时空立体轨迹子图;利用轨迹相似度模型,分别计算目标对象三维时空立体轨迹与N个三维时空立体轨迹子图中所有三维时空立体轨迹之间的时空轨迹相似度;将时空轨迹相似度满足预设阈值对应的对象,定义为伴随对象;基于时空密度聚类算法识别伴随对象的停留位置。此外,本发明还涉及区块链技术,三维时空立体轨迹可存储于区块链的节点。本发明还提出一种基于轨迹分析的伴随对象确定装置、电子设备以及存储介质。本发明可以提高伴随对象确定效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于轨迹分析的伴随对象确定方法、装置、电子设备及计算机可读存储介质。
背景技术
随着定位设备的发展,大量移动对象的轨迹数据呈急速增长的趋势,这些轨迹数据至少可以涵盖移动对象在时间、空间这两个维度的信息,如交通轨迹数据等一些特殊业务,需要根据一个已知移动对象,找到跟它轨迹有伴随关系的其他未知移动对象,在进行画像构建领域具有巨大的价值。
目前基于轨迹数据分析有伴随关系对象,需要首先确定目标对象,再通过人力追溯目标对象的行为轨迹,分析轨迹数据中同一时间的伴随对象,人工筛选的方法对伴随对象的确定效率较低。
发明内容
本发明提供一种基于轨迹分析的伴随对象确定方法、装置及计算机可读存储介质,其主要目的在于解决伴随对象确定效率较低的问题。
为实现上述目的,本发明提供的一种基于轨迹分析的伴随对象确定方法,包括:
获取目标对象的时空轨迹数据,利用所述时空轨迹数据构建目标对象三维时空立体轨迹;
获取所述目标对象在预设时间段内途径区域的所有对象的时空轨迹数据,利用所述所有对象的时空轨迹数据构建相关对象三维时空立体轨迹集;
基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,其中N为正整数;
利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集;
将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;
基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,在预设的地图中标注所述停留位置。
可选地,所述基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,包括:
剔除所述相关对象三维时空立体轨迹集中的异常数据,得到标准相关对象三维时空立体轨迹集;
根据时空密度对所述标准相关对象三维时空立体轨迹集中的轨迹点进行聚类,生成聚类簇;
分析所述聚类簇中不同对象之间的关联性,根据所述关联性构建对象轨迹关系图;
基于所述对象轨迹关系图将所述标准相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图。
可选地,所述根据时空密度对所述标准相关对象三维时空立体轨迹集中的轨迹点进行聚类,生成聚类簇,包括:
将所述标准三维时空立体轨迹集中的轨迹点按照时间切片划为连续的轨迹快照;
基于时空密度聚类算法,对每个所述轨迹快照内的轨迹点按照时空密度进行聚类,得到空间聚类簇;
根据所述时间切片,汇聚所述空间聚类簇,得到聚类簇。
可选地,所述利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集,包括:
将所述目标对象三维时空立体轨迹映射为目标对象短向量;
将所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹映射为N个轨迹向量空间;
利用所述预先训练完成的轨迹相似度模型,分别计算所述目标对象短向量与所述N个轨迹向量空间之间的空间相似度集及时间相似度集;
根据所述空间相似度集及所述时间相似度集,得到时空轨迹相似度集。
可选地,所述基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,包括:
将所述伴随对象对应的三维时空立体轨迹,按照预设时间间隔划分为高频等间距时空轨迹的位置标记点数据;
将所述位置标记点数据划入不同的位置缓冲区,计算各个位置标记点所属位置缓冲区的位置标记点密度值;
获取所述位置标记点的停留时长,在所述位置标记点密度值的峰值对应的位置中,将所述停留时长达到预设时间阈值的位置作为停留位置。
可选地,所述利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度之前,所述方法还包括:
获取历史目标对象的历史时空轨迹数据,根据所述历史时空轨迹数据构建历史三维时空立体轨迹;
获取所述历史目标对象所在预设区域的所有对象的历史时空轨迹数据,利用所述所有对象的历史时空轨迹数据构建历史相关对象三维时空立体轨迹集;
基于连通子图挖掘,将所述历史相关对象三维时空立体轨迹集分为N个历史相关对象三维时空立体轨迹子图,其中N为正整数;
利用所述历史三维时空立体轨迹及所述N个历史相关对象三维时空立体轨迹子图,构建训练集;
统计所述历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中任意对象轨迹的聚类簇数量及共有聚类簇数量;
利用所述聚类簇数量及所述共有聚类簇数量,计算历史目标对象与相关对象之间的轨迹先验相似度;
将所述轨迹先验相似度作为正则化系数,优化所述预设轨迹相似度模型的损失函数,得到更新轨迹相似度模型;
根据所述训练集,利用所述更新轨迹相似度模型计算所述历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的历史时空轨迹相似度;
获取历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的真实历史时空轨迹相似度,利用所述目标函数计算所述历史时空轨迹相似度与所述真实历史时空轨迹相似度的损失值;
根据所述损失值对所述更新轨迹相似度模型进行参数调整,直至所述损失值小于预设的损失阈值,得到预先训练完成的轨迹相似度模型。
可选地,所述利用所述时空轨迹数据构建目标对象三维时空立体轨迹,包括:
构建以X轴、Y轴、Z轴组成的三维时空立方体,其中所述X轴及所述Y轴组成位置坐标,所述Z轴为时间维度;
提取所述时空轨迹数据中的时间维度数据及位置数据,将所述时间维度数据及所述位置数据映射到所述三维时空立方体中,得到目标对象三维时空立体轨迹。
为了解决上述问题,本发明还提供一种基于轨迹分析的伴随对象确定装置,所述装置包括:
三维时空立体轨迹构建模块,用于获取目标对象的时空轨迹数据,利用所述时空轨迹数据构建目标对象三维时空立体轨迹;获取所述目标对象在预设时间段内途径区域的所有对象的时空轨迹数据,利用所述所有对象的时空轨迹数据构建相关对象三维时空立体轨迹集;
连通子图挖掘模块,用于基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,其中N为正整数;
时空轨迹相似度计算模块,用于利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集;
伴随对象判断模块,用于将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;
伴随对象停留位置识别模块,用于基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,在预设的地图中标注所述停留位置。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于轨迹分析的伴随对象确定方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于轨迹分析的伴随对象确定方法。
本发明实施例通过基于连通子图挖掘算法,将相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集,基于连通子图挖掘算法将所述三维时空立体轨迹集划分为不同的子图并计算时空轨迹相似度,降低轨迹检索的时间复杂度,且无需人工进行筛查轨迹相似度,提升关联对象的追踪效率;将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,对所述停留位置进行相应处理,利用时空密度聚类算法迅速识别所述伴随对象的停留位置,对于所述停留位置可以进行及时处理,提高了伴随对象的确定效率。因此本发明提出的基于轨迹分析的伴随对象确定方法、装置、电子设备及计算机可读存储介质,可以解决伴随对象确定效率较低的问题。
附图说明
图1为本发明一实施例提供的基于轨迹分析的伴随对象确定方法的流程示意图;
图2为图1所示基于轨迹分析的伴随对象确定方法中其中一个步骤的详细实施流程示意图;
图3为图1所示基于轨迹分析的伴随对象确定方法中其中另一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的基于轨迹分析的伴随对象确定装置的功能模块图;
图5为本发明一实施例提供的实现所述基于轨迹分析的伴随对象确定方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于轨迹分析的伴随对象确定方法。所述基于轨迹分析的伴随对象确定方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于轨迹分析的伴随对象确定方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于轨迹分析的伴随对象确定方法的流程示意图。在本实施例中,所述基于轨迹分析的伴随对象确定方法包括:
S1、获取目标对象的时空轨迹数据,利用所述时空轨迹数据构建目标对象三维时空立体轨迹。
本发明实施例中,所述目标对象可以是可以移动的移动对象。所述目标对象的时空轨迹数据包含但不限于相关设备采集的直接型时空轨迹数据,例如通过定位系统直接获取的时空轨迹数据,及间接获取的时空轨迹数据。
本发明实施例中所述时空轨迹数据是指同时具备地理位置信息(经纬度)、时间戳和空间元素的数据。
详细地,S1中所述利用所述时空轨迹数据构建目标对象三维时空立体轨迹,包括:
构建以X轴、Y轴、Z轴组成的三维时空立方体,其中所述X轴及所述Y轴组成位置坐标,所述Z轴为时间维度;
提取所述时空轨迹数据中的时间维度数据及位置数据,将所述时间维度数据及所述位置数据映射到所述三维时空立方体中,得到目标对象三维时空立体轨迹。
S2、获取所述目标对象在预设时间段内途径区域的所有对象的时空轨迹数据,利用所述所有对象的时空轨迹数据构建相关对象三维时空立体轨迹集。
本发明其中一个实施例中,可以从所述目标对象所在地的控制中心获取目标对象相关数据,并对所述目标对象进行数据调查,计算出所述目标对象预设要求的具体时间段,其中所述时空轨迹数据,包括:时间、地址、图片等相关数据。
本发明实施例中,所述预设时间段为根据需要设定的时间段,以及所述时空轨迹数据包括但不限于相关设备采集的直接型时空轨迹数据,例如通过定位系统直接获取的时空轨迹数据,及间接获取的时空轨迹数据。
本发明实施例中,可以根据所述目标对象时空轨迹数据,获取所述目标对象在预设时间段内途径区域,并获取所述预设时间段内所述途径区域内的所有对象,即相关对象。
本发明实施例中,所述相关对象三维时空立体轨迹集的构建方法与所述S1步骤中所述目标对象三维时空立体轨迹构建方法一致,不在此赘述。
S3、基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,其中N为正整数。
本发明实施例中,所述连通子图挖掘算法可以将具有共现关系的对象轨迹分为同一子图。基于连通子图挖掘算法将所述三维时空立体轨迹集划分为N个三维时空立体轨迹子图,可以降低轨迹检索的时间复杂度,提升伴随对象的追踪效率。
详细地,参阅图2所示,所述S3包括:
S31、剔除所述相关对象三维时空立体轨迹集中的异常数据,得到标准相关对象三维时空立体轨迹集;
S32、根据时空密度对所述标准相关对象三维时空立体轨迹集中的轨迹点进行聚类,生成聚类簇;
S33、分析所述聚类簇中不同对象之间的关联性,根据所述关联性构建对象轨迹关系图;
S34、基于所述对象轨迹关系图将所述标准相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图。
本发明实施例中,所述异常数据包含但不限于重复数据、冗余数据及噪声点等,由于时空轨迹数据在时间上没有严格的规律,稀疏程度不同且分布不均匀,实验产生了大量的重复数据、冗余数据及噪声点,影响了数据分析的效率和准确度,所以在进行数据挖掘前必须要对轨迹数据进行数据清洗,将冗余数据和噪声点剔除,规范轨迹点数据。
进一步地,本发明实施可以利用时空密度聚类算法,根据时空密度将所述标准三维时空立体轨迹集中的轨迹点进行聚类,生成聚类簇。
本发明实施例中,所述时空密度聚类算法是从空间密度聚类到时空维度的扩展,将对象密度当做对象间相似计算的标准,把时空簇从一系列不同密度区域中提取出来。其中,所述时空密度聚类算法可以是DBSCAN算法、ST-GRID算法或STSNN算法。
详细地,所述S32包括:
将所述标准三维时空立体轨迹集中的轨迹点按照时间切片划为连续的轨迹快照;
基于时空密度聚类算法,对每个所述轨迹快照内的轨迹点按照时空密度进行聚类,得到空间聚类簇;
根据所述时间切片,汇聚所述空间聚类簇,得到聚类簇。
本发明其中一个实施例中,将所述标准三维时空立体轨迹集中的轨迹点按照时间切片划为连续的轨迹快照,快照的时间长度为T,所有轨迹点生成地轨迹快照S={S1,S2,…,Si},其中Si为生成地第i个轨迹快照,例如当T=30min时,快照S1包括12:00到12:30的时间切片内所有轨迹点。
本发明实施例中,分析所述聚类簇,得到不同对象之间的关联性,两个对象的轨迹点在同一聚类簇的数量越多,表明两个对象的关联越强;根据不同对象之前的关联性构建对象轨迹关系图。
本发明实施例中,将预设时间段内途径区域的所有对象根据关联相划分为不同的子图,不同子图的间的轨迹关联性较弱,可能代表不同地点或不同区域的对象轨迹,有利于提升针对区域进行伴随对象的确定效率。
S4、利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集。
本发明实施例中所述预先训练完成的轨迹相似度模型可以基于Skip-Gram神经网络模型构造,包含输入层、隐藏层及输出层。
详细地,参阅图3所示,所述S4包括:
S41、将所述目标对象三维时空立体轨迹映射为目标对象短向量;
S42、将所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹映射为N个轨迹向量空间;
S43、利用所述预先训练完成的轨迹相似度模型,分别计算所述目标对象短向量与所述N个轨迹向量空间之间的空间相似度集及时间相似度集;
S44、根据所述空间相似度集及所述时间相似度集,得到时空轨迹相似度集。
本发明实施例中,在根据所述空间相似度集及所述时间相似度集,得到时空轨迹相似度集时,可以结合实际需求、专家知识等调整所述空间相似度集及所述时间相似度集的权重系数。
详细地,本发明其中一个实施例中,所述利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度之前,所述方法还包括:
获取历史目标对象的历史时空轨迹数据,根据所述历史时空轨迹数据构建历史三维时空立体轨迹;
获取所述历史目标对象所在预设区域的所有对象的历史时空轨迹数据,利用所述所有对象的历史时空轨迹数据构建历史相关对象三维时空立体轨迹集;
基于连通子图挖掘,将所述历史相关对象三维时空立体轨迹集分为N个历史相关对象三维时空立体轨迹子图,其中N为正整数;
利用所述历史三维时空立体轨迹及所述N个历史相关对象三维时空立体轨迹子图,构建训练集;
统计所述历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中任意对象轨迹的聚类簇数量及共有聚类簇数量;
利用所述聚类簇数量及所述共有聚类簇数量,计算历史目标对象与相关对象之间的轨迹先验相似度;
将所述轨迹先验相似度作为正则化系数,优化所述预设轨迹相似度模型的损失函数,得到更新轨迹相似度模型;
根据所述训练集,利用所述更新轨迹相似度模型计算所述历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的历史时空轨迹相似度;
获取历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的真实历史时空轨迹相似度,利用所述目标函数计算所述历史时空轨迹相似度与所述真实历史时空轨迹相似度的损失值;
根据所述损失值对所述更新轨迹相似度模型进行参数调整,直至所述损失值小于预设的损失阈值,得到预先训练完成的轨迹相似度模型。
本发明实施例中,利用轨迹先验相似度作为正则化系数优化预设损失函数避免不相似轨迹的共现点干扰模型训练,提升时空轨迹相似度计算的准确性,从而提升关联对象的追踪准确率。
本发明实施例中,利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,无需人工进行筛查轨迹相似度,提升伴随对象的确定效率。
S5、将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象。
本发明实施例中,当时空轨迹相似度集中时空轨迹相似度满足预设阈值,表示对应的对象预设时间段内,与所述目标对象在相同的时间段内出现在同一区域,将所述对应的对象选定为伴随对象。
S6、基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,在预设的地图中标注所述停留位置。
本发明实施例中,所述时空密度聚类算法可以是DBSCAN算法、ST-GRID算法或STSNN算法。
详细地,S5中所述基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,包括:
将所述伴随对象对应的三维时空立体轨迹,按照预设时间间隔划分为高频等间距时空轨迹的位置标记点数据;
将所述位置标记点数据划入不同的位置缓冲区,计算各个位置标记点所属位置缓冲区的位置标记点密度值;
获取所述位置标记点的停留时长,在所述位置标记点密度值的峰值对应的位置中,将所述停留时长达到预设时间阈值的位置作为停留位置。
本发明其中一个实施例,可以基于对象出现速度值,确定合适的缓冲区;分别对所述关联对象的位置标记点进行逐一遍历,得到不同位置标记点在其所在的缓冲区范围内的位置标记点总数,并计算得到每个位置标记点所对应的密度值;当所述密度值的峰值点缓冲区范围内的位置标记点总个数高于阈值时,该位置标记点即为停留位置,予以保留;而当该峰值点缓冲区范围内的位置标记点总个数低于阈值时,改点即为处于移动状态下的位置标记点,这种峰值点应该予以筛除。
本发明实施例中,可以对所述停留位置进行处理,包含但不限于,对所述停留位置的区域进行临时管理,对所述停留位置的区域中对象进行排查和检测等。
本发明实施例中,利用时空密度聚类算法迅速识别所述伴随对象的停留位置,对于所述停留位置可以进行及时处理,提高了伴随对象的追踪效率。
本发明实施例通过基于连通子图挖掘算法,将相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集,基于连通子图挖掘算法将所述三维时空立体轨迹集划分为不同的子图并计算时空轨迹相似度,降低轨迹检索的时间复杂度,且无需人工进行筛查轨迹相似度,提升关联对象的追踪效率;将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,对所述停留位置进行相应处理,利用时空密度聚类算法迅速识别所述伴随对象的停留位置,对于所述停留位置可以进行及时处理,提高了伴随对象的确定效率。因此本发明提出的基于轨迹分析的伴随对象确定方法,可以解决伴随对象确定效率较低的问题。
如图4所示,是本发明一实施例提供的基于轨迹分析的伴随对象确定装置的功能模块图。
本发明所述基于轨迹分析的伴随对象确定装置100可以安装于电子设备中。根据实现的功能,所述基于轨迹分析的伴随对象确定装置100可以包括三维时空立体轨迹构建模块101、连通子图挖掘模块102、时空轨迹相似度计算模块103、伴随对象判断模块104及伴随对象停留位置识别模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述三维时空立体轨迹构建模块101,获取目标对象的时空轨迹数据,利用所述时空轨迹数据构建目标对象三维时空立体轨迹;获取所述目标对象在预设时间段内途径区域的所有对象的时空轨迹数据,利用所述所有对象的时空轨迹数据构建相关对象三维时空立体轨迹集;
所述连通子图挖掘模块102,用于基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,其中N为正整数;
所述时空轨迹相似度计算模块103,用于利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集;
所述伴随对象判断模块104,用于将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;
所述伴随对象停留位置识别模块105,用于基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,在预设的地图中标注所述停留位置。
详细地,本发明实施例中所述基于轨迹分析的伴随对象确定装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于轨迹分析的伴随对象确定方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于轨迹分析的伴随对象确定方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于轨迹分析的伴随对象确定程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于轨迹分析的伴随对象确定程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于轨迹分析的伴随对象确定程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于轨迹分析的伴随对象确定程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取目标对象的时空轨迹数据,利用所述时空轨迹数据构建目标对象三维时空立体轨迹;
获取所述目标对象在预设时间段内途径区域的所有对象的时空轨迹数据,利用所述所有对象的时空轨迹数据构建相关对象三维时空立体轨迹集;
基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,其中N为正整数;
利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集;
将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;
基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,在预设的地图中标注所述停留位置。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取目标对象的时空轨迹数据,利用所述时空轨迹数据构建目标对象三维时空立体轨迹;
获取所述目标对象在预设时间段内途径区域的所有对象的时空轨迹数据,利用所述所有对象的时空轨迹数据构建相关对象三维时空立体轨迹集;
基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,其中N为正整数;
利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集;
将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;
基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,在预设的地图中标注所述停留位置。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于轨迹分析的伴随对象确定方法,其特征在于,所述方法包括:
获取目标对象的时空轨迹数据,利用所述时空轨迹数据构建目标对象三维时空立体轨迹;
获取所述目标对象在预设时间段内途径区域的所有对象的时空轨迹数据,利用所述所有对象的时空轨迹数据构建相关对象三维时空立体轨迹集;
基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,其中N为正整数;
利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集;
将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;
基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,在预设的地图中标注所述停留位置。
2.如权利要求1所述的基于轨迹分析的伴随对象确定方法,其特征在于,所述基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,包括:
剔除所述相关对象三维时空立体轨迹集中的异常数据,得到标准相关对象三维时空立体轨迹集;
根据时空密度对所述标准相关对象三维时空立体轨迹集中的轨迹点进行聚类,生成聚类簇;
分析所述聚类簇中不同对象之间的关联性,根据所述关联性构建对象轨迹关系图;
基于所述对象轨迹关系图将所述标准相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图。
3.如权利要求2所述的基于轨迹分析的伴随对象确定方法,其特征在于,所述根据时空密度对所述标准相关对象三维时空立体轨迹集中的轨迹点进行聚类,生成聚类簇,包括:
将所述标准三维时空立体轨迹集中的轨迹点按照时间切片划为连续的轨迹快照;
基于时空密度聚类算法,对每个所述轨迹快照内的轨迹点按照时空密度进行聚类,得到空间聚类簇;
根据所述时间切片,汇聚所述空间聚类簇,得到聚类簇。
4.如权利要求1所述的基于轨迹分析的伴随对象确定方法,其特征在于,所述利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集,包括:
将所述目标对象三维时空立体轨迹映射为目标对象短向量;
将所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹映射为N个轨迹向量空间;
利用所述预先训练完成的轨迹相似度模型,分别计算所述目标对象短向量与所述N个轨迹向量空间之间的空间相似度集及时间相似度集;
根据所述空间相似度集及所述时间相似度集,得到时空轨迹相似度集。
5.如权利要求1所述的基于轨迹分析的伴随对象确定方法,其特征在于,所述基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,包括:
将所述伴随对象对应的三维时空立体轨迹,按照预设时间间隔划分为高频等间距时空轨迹的位置标记点数据;
将所述位置标记点数据划入不同的位置缓冲区,计算各个位置标记点所属位置缓冲区的位置标记点密度值;
获取所述位置标记点的停留时长,在所述位置标记点密度值的峰值对应的位置中,将所述停留时长达到预设时间阈值的位置作为停留位置。
6.如权利要求1所述的基于轨迹分析的伴随对象确定方法,其特征在于,所述利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度之前,所述方法还包括:
获取历史目标对象的历史时空轨迹数据,根据所述历史时空轨迹数据构建历史三维时空立体轨迹;
获取所述历史目标对象所在预设区域的所有对象的历史时空轨迹数据,利用所述所有对象的历史时空轨迹数据构建历史相关对象三维时空立体轨迹集;
基于连通子图挖掘,将所述历史相关对象三维时空立体轨迹集分为N个历史相关对象三维时空立体轨迹子图,其中N为正整数;
利用所述历史三维时空立体轨迹及所述N个历史相关对象三维时空立体轨迹子图,构建训练集;
统计所述历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中任意对象轨迹的聚类簇数量及共有聚类簇数量;
利用所述聚类簇数量及所述共有聚类簇数量,计算历史目标对象与相关对象之间的轨迹先验相似度;
将所述轨迹先验相似度作为正则化系数,优化所述预设轨迹相似度模型的损失函数,得到更新轨迹相似度模型;
根据所述训练集,利用所述更新轨迹相似度模型计算所述历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的历史时空轨迹相似度;
获取历史三维时空立体轨迹与所述N个历史相关对象三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的真实历史时空轨迹相似度,利用所述目标函数计算所述历史时空轨迹相似度与所述真实历史时空轨迹相似度的损失值;
根据所述损失值对所述更新轨迹相似度模型进行参数调整,直至所述损失值小于预设的损失阈值,得到预先训练完成的轨迹相似度模型。
7.如权利要求1所述的基于轨迹分析的伴随对象确定方法,其特征在于,所述利用所述时空轨迹数据构建目标对象三维时空立体轨迹,包括:
构建以X轴、Y轴、Z轴组成的三维时空立方体,其中所述X轴及所述Y轴组成位置坐标,所述Z轴为时间维度;
提取所述时空轨迹数据中的时间维度数据及位置数据,将所述时间维度数据及所述位置数据映射到所述三维时空立方体中,得到目标对象三维时空立体轨迹。
8.一种基于轨迹分析的伴随对象确定装置,其特征在于,所述装置包括:
三维时空立体轨迹构建模块,用于获取目标对象的时空轨迹数据,利用所述时空轨迹数据构建目标对象三维时空立体轨迹;获取所述目标对象在预设时间段内途径区域的所有对象的时空轨迹数据,利用所述所有对象的时空轨迹数据构建相关对象三维时空立体轨迹集;
连通子图挖掘模块,用于基于连通子图挖掘算法,将所述相关对象三维时空立体轨迹集分为N个三维时空立体轨迹子图,其中N为正整数;
时空轨迹相似度计算模块,用于利用预先训练完成的轨迹相似度模型,分别计算所述目标对象三维时空立体轨迹与所述N个三维时空立体轨迹子图中所有对象的三维时空立体轨迹之间的时空轨迹相似度,得到时空轨迹相似度集;
伴随对象判断模块,用于将所述时空轨迹相似度集中时空轨迹相似度满足预设阈值对应的对象,选定为伴随对象;
伴随对象停留位置识别模块,用于基于时空密度聚类算法识别出所述伴随对象对应的三维时空立体轨迹中的停留位置,在预设的地图中标注所述停留位置。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于轨迹分析的伴随对象确定方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于轨迹分析的伴随对象确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211340983.4A CN115757987B (zh) | 2022-10-30 | 2022-10-30 | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211340983.4A CN115757987B (zh) | 2022-10-30 | 2022-10-30 | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115757987A true CN115757987A (zh) | 2023-03-07 |
CN115757987B CN115757987B (zh) | 2023-08-22 |
Family
ID=85354283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211340983.4A Active CN115757987B (zh) | 2022-10-30 | 2022-10-30 | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115757987B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842285A (zh) * | 2023-07-27 | 2023-10-03 | 中国人民解放军陆军工程大学 | 基于时空轨迹数据的目标伴随模式挖掘方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657572A (zh) * | 2017-09-13 | 2018-02-02 | 北京城建设计发展集团股份有限公司 | 基于高频等间距时空轨迹数据的停留点识别方法及系统 |
US20210166040A1 (en) * | 2019-11-15 | 2021-06-03 | Beijing Sensetime Technology Development Co., Ltd. | Method and system for detecting companions, electronic device and storage medium |
CN113779105A (zh) * | 2021-08-11 | 2021-12-10 | 桂林电子科技大学 | 分布式轨迹流伴随模式挖掘方法 |
CN113868551A (zh) * | 2021-09-13 | 2021-12-31 | 杭州数梦工场科技有限公司 | 一种基于轨迹的密切接触对象的筛选方法和装置 |
CN115116621A (zh) * | 2022-06-17 | 2022-09-27 | 北京航空航天大学 | 基于移动通信数据的流行病时空风险建模及预测方法 |
-
2022
- 2022-10-30 CN CN202211340983.4A patent/CN115757987B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657572A (zh) * | 2017-09-13 | 2018-02-02 | 北京城建设计发展集团股份有限公司 | 基于高频等间距时空轨迹数据的停留点识别方法及系统 |
US20210166040A1 (en) * | 2019-11-15 | 2021-06-03 | Beijing Sensetime Technology Development Co., Ltd. | Method and system for detecting companions, electronic device and storage medium |
CN113779105A (zh) * | 2021-08-11 | 2021-12-10 | 桂林电子科技大学 | 分布式轨迹流伴随模式挖掘方法 |
CN113868551A (zh) * | 2021-09-13 | 2021-12-31 | 杭州数梦工场科技有限公司 | 一种基于轨迹的密切接触对象的筛选方法和装置 |
CN115116621A (zh) * | 2022-06-17 | 2022-09-27 | 北京航空航天大学 | 基于移动通信数据的流行病时空风险建模及预测方法 |
Non-Patent Citations (1)
Title |
---|
胡贺伟: "基于时空大数据的轨迹相似度度量算法及应用", 《中国优秀硕士学位论文全文库》, pages 1 - 30 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842285A (zh) * | 2023-07-27 | 2023-10-03 | 中国人民解放军陆军工程大学 | 基于时空轨迹数据的目标伴随模式挖掘方法 |
CN116842285B (zh) * | 2023-07-27 | 2024-05-03 | 中国人民解放军陆军工程大学 | 基于时空轨迹数据的目标伴随模式挖掘方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115757987B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950621A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
WO2021169174A1 (zh) | 道路拥堵程度预测方法、装置、计算机设备及可读存储介质 | |
Griffith et al. | Uncertainty-related research issues in spatial analysis | |
CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113626607A (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN113707337A (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
CN113139743A (zh) | 污水排放指标分析方法、装置、电子设备及存储介质 | |
CN113032403A (zh) | 数据洞察方法、装置、电子设备及存储介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN112699142A (zh) | 冷热数据处理方法、装置、电子设备及存储介质 | |
CN115757987A (zh) | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 | |
CN114219023A (zh) | 数据聚类方法、装置、电子设备及可读存储介质 | |
CN114997263A (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN114637326A (zh) | 区域策略制定方法、装置、设备及存储介质 | |
CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
CN114201482A (zh) | 人口动态分布统计方法、装置、电子设备及可读存储介质 | |
CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
CN111950707A (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN112651782A (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
CN114842559B (zh) | 基于多模态时间感知和注意力的视频交互动作检测方法 | |
CN113901092B (zh) | 一种用于赛场运行监测的文件管理方法及系统 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |